HDU 1072 Nightmare

本文介绍了一种使用广度优先搜索(BFS)算法解决迷宫寻路问题的方法。该算法允许节点重复访问,并在特定条件下重置时间,以找到从起点到终点的最短路径。代码中实现了BFS过程并考虑了不同地形的影响。

这题重要的走过的点可以走第二次,但是我们会发现当走过4时我们可以标记为0,因为回走是没必要

#include<stdio.h>
#include<stdlib.h>
#include<string.h>
struct T
{
    int x,y,time,step;        
}q[10024];
int map[12][12],N,M,x,y;
int d[4][2]={ 1,0,0,1,-1,0,0,-1 };
int BFS(  )
{
   int first=0,end=0;
   T t;
   t.step=0;t.time=6;
   t.x=x;t.y=y;
   q[end++]=t;
   while( end>first  )
   {
       if( q[first].time>1 )
       {
           for( int i=0;i<4;i++ )
           {
              int dx=q[first].x+d[i][0];
              int dy=q[first].y+d[i][1];
              if( map[dx][dy]==3 ) 
                 return q[first].step+1;
              if( map[dx][dy]==1 )
              {
                 t.x=dx;t.y=dy;
                 t.time=q[first].time-1;
                 t.step=q[first].step+1;
                 q[end++]=t;
              }     
              if( map[dx][dy]==4 )
              {
                 t.x=dx;t.y=dy;
                 t.time=6;
                 map[dx][dy]=0;
                 t.step=q[first].step+1;
                 q[end++]=t;
              } 
           }    
       }
       first++;      
   }
   return -1;
}
int main()
{
     int T;
     scanf( "%d",&T );
     while( T-- )
     {
        memset( map,0,sizeof( map ) );
        scanf( "%d%d",&N,&M );
        for( int i=1;i<=N; i++ )
        {
           for( int j=1; j<=M ; j++ )
           {
              scanf( "%d",&map[i][j] );
              if( map[i][j] == 2 )
              {
                 x=i;
                 y=j;
              }
           }
        }
        printf( "%d\n",BFS(  ) );
     }
     return 0;  
}

 

的重复走。

转载于:https://www.cnblogs.com/bo-tao/archive/2011/11/18/2254674.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值